Improving the Efficiency of Outpatient Services at Benue State University Teaching Hospital using the Queuing Theory
Notice bibliographique
Résumé
Introduction: Long client waiting time is a characteristic of poor performance of the health care delivery and is a major challenge for healthcare services all over the world, especially in developing countries. The study was aimed at developing a model that optimizes performance of the general outpatient department of the Benue State University Teaching Hospital, Makurdi, Benue State Nigeria. Methodology: Data was collected through observation and interviews with doctors at the general outpatient clinic of the Benue State University Teaching Hospital. The average number of clients seen per day was calculated by determining the average of daily attendants for five consecutive working days. The data obtained was used to create a five capacity scenarios using the queuing theory software. Result: The Average Daily Attendance (ADA) was 73.2 clients while the Average Daily Arrival Rate was 10.47 clients per hour. There were six doctors working on any given day in the clinic and a doctor spends an average of 16.2 minutes per patient, representing an average of 3.7 patients per hour. The model showed that the optimum system performance can be achieved with four doctors (with 70.7% server utilization rate, average of 1.065 clients on the queue and 0.102 hours waiting time). Conclusion: Four doctors working at the same time at the general outpatient clinic is required for optimal performance. The queuing theory should be used regularly at GOPD BSUTH and in all health facilities experiencing long queues to optimize operational efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».